《运用stata进行时间序列分析报告报告材料》由会员分享，可在线阅读，更多相关《运用stata进行时间序列分析报告报告材料（16页珍藏版）》请在金锄头文库上搜索。
1、运用stata进行时间序列分析1 时间序列模型 结构模型虽然有助于人们理解变量之间的影响关系，但模 型的预测精度比较 低。在一些大规模的联立方程中，情况更是如此。而早期的 单变量时间序列模型 有较少的参数却可以得到非常精确的预测，因此随着 Box and Jenkins（1984）等奠基性的研究，时间序列方法得到迅速发展。从单变量时 间序列到多元时间序列 模型，从平稳过程到非平稳过程，时间序列分析方法被 广泛应用于经济、气象和 过程控制等领域。本章将介绍如下时间序列分析方法， ARIMA模型、ARCH族模型、VAR模型、VEC模型、单位根检验及协整检验 等。、基本命令1.1时间序列数据的处理1
2、）声明时间序列：tsset命令use gnp96.dta, clear list in 1/20 gen Lgnp = L.gnp tsset date list in 1/20 gen Lgnp = L.gnp 2）检查是否有断点:tsreport, report use gnp96.dta, clear tsset date tsreport, report drop in 10/10 list in 1/12 tsreport, report tsreport, report list /*列出存在断点的样本信息*/ 3）填充缺漏值：tsfill tsfill tsreport, rep
3、ort list list in 1/12 4追加样本:tsappend use gnp96.dta, clear tsset date list in -10/-1 sum tsappend , add（5）/*追加5个观察值*/ list in -10/-1 sum 2 5）应用：样本外预测：predict reg gnp96 L.gnp96 predict gnp_hat list in -10/-1 6）清除时间标 识：tsset, clear tsset, clear 1.2变量的生成与处理 1）滞后项、超前项和差分项 help tsvarlist use gnp96.dta, cl
4、ear tsset date gen Lgnp = L.gnp96 /阶滞 后*/ gen L2gnp = L2.gnp96 gen Fgnp = F.gnp96 /*阶超前*/ gen F2gnp= F2.gnp96 gen Dgnp = D.gnp96 /* 一阶差分*/ gen D2gnp = D2.gnp96 list in 1/10 list in -10/-1 2)产生增长率变量：对数差分 gen lngnp = ln(gnp96)gen growth = D.lngnp gen growth2 = (gnp96-L.gnp96)/L.gnp96 gen diff = growth
5、 - growth2 /*表明对数差分和变量的增长率差别很小*/ list date gnp96 lngnp growth* diff in 1/10 1.3日期的处理 日期的格式 help tsfmt 基本时点：整数数值，如-3, -2, -1, 0, 1, 2, 3 1960年1月1日，取值为 0；3 显示格式：定义 含义 默认格式 %td 日 %tdDlCY %tw 周 %twCY!ww %tm 月 %tmCY!mn %tq 季度 %tqCY!qq %th 半年 %thCY!hh %ty 年 %tyCY 1)使用 tsset 命令指定显示格式 use B6_tsset.dta, clea
6、r tsset t, daily list use B6_tsset.dta, clear tsset t, weekly list 2)指定起始时点 cap drop month generate month = m(1990-1)+ _n - 1 format month %tm list t month in 1/20 cap drop year gen year = y(1952)+ _n - 1 format year %ty list t year in 1/20 3)自己设定不同的显示格式 日期的显示格式 %d (%td)定义如下：%-tdv描述特定的显示格式 具体项目释义：“描
7、述特定的显示格式”中可包含如下字母或字符 c y m l n d j h q w- / !c C Y M L N D J W 定义如下：c and C 世纪值（个位数不附加/附加0）y and Y 不含世纪值的年份（个位数不附加/附加0） m 三个英文字母的月份简写（第一个字母大写）4 M 英文字母拼写的月份（第一个字母大写）n and N 数字月份（个位数不附加/附加0）d and D 一个月中的第几日（个位数不附加/附加0）j and J 一年中的第几日（个位数不附加/附加0）h 一年中的第几半年 （1 or 2）q 一年中的第几季度 （1, 2, 3, or 4）w and W 一年中的
8、第几周（个位数不附加/附加0）_ display a blank （空格）.display a period（句号）,display a comma（逗号）display a colon（冒号）- display a dash （短线）/ display a slash（斜线）display a close single quote（右引号）!c display character c （code !to display an exclamation point）%td样式1：Format Sample date in format 07jul1948 %tdM_d,_CY July 7, 1
9、948 %tdY/M/D 48/07/11 %tdM-D-CY 07-11-1948 %tqCY.q 1999.2 %tqCY:q 1992:2 %twCY,_w 2010, 48 样式2：Format Sample date in format %d11jul1948 %dDlCY 11jul1948 %dDlY 11jul48 %dM_d,_CY July 11, 1948 %dd_M_CY 11 July 1948 %dN/D/Y 07/11/48 %dD/N/Y 11/07/48 %dY/N/D 48/07/11 %dN-D-CY 07-11-1948 clear set obs 10
10、0 5 gen t = _n + d(13feb1978)list t in 1/5 format t %dCY-N-D /*1978-02-14*/ list t in 1/5 format t %dcy_n_d /*1978 2 14*/ list t in 1/5 use B6_tsset, clear list tsset t, format(%twCY-m)list 4)一个实例：生成连续的时间变量 use e1920.dta, clear list year month in 1/30 sort year month gen time = _n tsset time list ye
11、ar month time in 1/30 generate newmonth = m(1920-1)+ time - 1 tsset newmonth, monthly list year month time newmonth in 1/30 1.4图解时间序列 1)例1：clear set seed 13579113 sim_arma ar2, ar(0.7 0.2)nobs(200)sim_arma ma2, ma(0.7 0.2)tsset _t tsline ar2 ma2 * 亦可采用 twoway line 命令绘制，但较为繁琐 twoway line ar2 ma2 _t 2
12、)例2：增加文字标注 sysuse tsline2, clear tsset day tsline calories, ttick(28nov2002 25dec2002, tpos(in)/ ttext(3470 28nov2002 thanks / 3470 25dec2002 x-mas, orient(vert)6 3)例3：增加两条纵向的标示线 sysuse tsline2, clear tsset day tsline calories, tline(28nov2002 25dec2002)* 或采用 twoway line 命令 local d1 = d(28nov2002)lo
13、cal d2 = d(25dec2002)line calories day, xline(dT d2)4)例4：改变标签 tsline calories, tlabel(, format(%tdmd) ttitle(Date (2002)tsline calories, tlabel(, format(%td)二、ARIMA模型和SARMIA模型ARIMA模型的基本思想是：将预测对 象随时间推移而形成的数据序列视为一 个随机序列，用一定的数学模型来近似 描述这个序列。这个模型一旦被识别后就 可以从时间序列的过去值及现在值来 预测未来值。ARIMA(1,1)模型：t t t t y y 8 0
14、8 p a + + + =6 1 6 1 1 1 2.1 ARIMA 模型预测的 基本程序：1)根据时间序列的散点图、自相关函数和偏自相关函数图以 ADF 单位根检验 其 方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经 济 运行的时间序列都不是平稳序列。2)对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增 长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对 数 据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显 著地 异于零。3)根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数 是截尾的，而自相关函数是拖尾的
15、，可断定序列适合AR模型；若平稳序列的 偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型； 若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合 ARMA 模型。4)进行参数估计，检验是否具有统计意义。5)进行假设检验，诊断残差序列是否为白噪声。6)利用已通过检验的模型进行预测分析。2.2 ARIMA模型中AR和MA阶数的确定方法：clear sim_arma y_ar, ar(0.9)nobs(300)line y_ar _t, yline(0)ac y_ar /*AR过程的ACF具有“拖尾”特征，长期记忆*/ pac y_ar /*AR过程的 PACF 具有“截尾”特征*/ 7 sim_arma y_ma, ma(0.8)line y_ma _t, yline(0)ac y_ma /*MA过程的ACF具有截尾特征短期记忆*/ pac y_ma /*MA 过程的PACF具有锯齿型“拖尾”特征*/ 2.3 ARIMA模型中涉及的检验：use http:/www.stata- ,clear tsset t gen d_wpi = D.wpi dfuller wpi /*单位根检验*/ dfuller d_wpi wntestq wpi /*白噪 声检验：Q检验*/ wntestq d_wpi wntestb
